python的正则表达式
基础知识
对于字符串的操作在任何一门编程语言中都很重要，而python经常运用于数据处理，合理运用正则，可以帮助我们更好地处理数据
在正则表达式中，如果直接给出字符，就是精确匹配。用\d可以匹配一个数字，\w可以匹配一个字母或数字
例如：
\'00\d\'可以匹配\'007\'，但无法匹配\'00A\'； \'\d\d\d\'可以匹配\'010\'； \'\w\w\d\'可以匹配\'py3\'；.可以匹配任意字符，所以：\'py.\'可以匹配\'pyc\'、\'pyo\'、\'py!\'等等。
要匹配变长的字符，在正则表达式中，用*表示任意个字符（包括0个），用+表示至少一个字符，用?表示0个或1个字符，用{n}表示n个字符，用{n,m}表示n-m个字符：
来看一个复杂的例子：\d{3}\s+\d{3,8}。
我们来从左到右解读一下：
-
\d{3}表示匹配3个数字，例如\'010\'； -
\s可以匹配一个空格（也包括Tab等空白符），所以\s+表示至少有一个空格，例如匹配\' \'，\' \'等； -
\d{3,8}表示3-8个数字，例如\'1234567\'。
综合起来，上面的正则表达式可以匹配以任意个空格隔开的带区号的电话号码。
如果要匹配\'010-12345\'这样的号码呢？由于\'-\'是特殊字符，在正则表达式中，要用\'\\'转义，所以，上面的正则是\d{3}\-\d{3,8}。
但是，仍然无法匹配\'010 - 12345\'，因为带有空格。所以我们需要更复杂的匹配方式。
进阶操作
要做更精确地匹配，可以用[]表示范围，比如：
[0-9a-zA-Z\_]可以匹配一个数字、字母或者下划线； [0-9a-zA-Z\_]+可以匹配至少由一个数字、字母或者下划线组成的字符串，比如\'a100\'，\'0_Z\'，\'Py3000\'等等； [a-zA-Z\_][0-9a-zA-Z\_]*可以匹配由字母或下划线开头，后接任意个由一个数字、字母或者下划线组成的字符串，也就是Python合法的变量； [a-zA-Z\_][0-9a-zA-Z\_]{0, 19}更精确地限制了变量的长度是1-20个字符（前面1个字符+后面最多19个字符）。
A|B可以匹配A或B，所以(P|p)ython可以匹配\'Python\'或者\'python\'。
^表示行的开头，^\d表示必须以数字开头。
$表示行的结束，\d$表示必须以数字结束。
你可能注意到了，py也可以匹配\'python\'，但是加上^py$就变成了整行匹配，就只能匹配\'py\'了。
re模块
有了准备知识，我们就可以在Python中使用正则表达式了。Python提供re模块，包含所有正则表达式的功能。由于Python的字符串本身也用\转义，所以要特别注意：
s = \'ABC\\-001\' # Python的字符串 # 对应的正则表达式字符串变成： # \'ABC\-001\'
因此我们强烈建议使用Python的r前缀，就不用考虑转义的问题了：
s = r\'ABC\-001\' # Python的字符串 # 对应的正则表达式字符串不变： # \'ABC\-001\'
下面看看我们如何使用re模块来进行匹配：
>>> import re >>> re.match(r\'^\d{3}\-\d{3,8}$\', \'010-12345\') <_sre.SRE_Match object; span=(0, 9), match=\'010-12345\'> #匹配成功 >>> re.match(r\'^\d{3}\-\d{3,8}$\', \'010 12345\') >>> #匹配失败
match()方法判断是否匹配，如果匹配成功，返回一个Match对象，否则返回None。常见的判断方法就是：
test = \'用户输入的字符串\' if re.match(r\'正则表达式\', test): print(\'ok\') else: print(\'failed\')
re.findall()
re.findall()在字符串中找到正则表达式所匹配的所有子串，并返回一个列表；如果没有找到匹配的，则返回空列表。
返回结果是列表类型，需要遍历一下才能依次获取每组内容。
findall(patern, string, flags=0)
- pattern : 正则中的模式字符串。
- string : 要被查找替换的原始字符串。
- flags : 标志位，用于控制正则表达式的匹配方式，如：是否区分大小写，多行匹配等等。
import re content = \'Hello 123456789 Word_This is just a test 666 Test\' results = re.findall(\'\d+\', content) print(results) for result in results: print(result)
结果：
[\'123456789\', \'666\'] 123456789 666
切分字符串
我们还可以使用正则表达式来切分字符串
用正则表达式切分字符串比用固定的字符更灵活，请看正常的切分代码：
>>> \'a b c\'.split(\' \') [\'a\', \'b\', \'\', \'\', \'c\']
发现这样写无法识别连续的空格，用正则表达式试试：
>>> re.split(r\'\s+\', \'a b c\') [\'a\', \'b\', \'c\']
无论多少个空格都可以正常分割。我们可以加入,试试：
>>> re.split(r\'[\s\,]+\', \'a,b, c d\') [\'a\', \'b\', \'c\', \'d\']
再加入；照样可以分割
>>> re.split(r\'[\s\,\;]+\', \'a,b;; c d\') [\'a\', \'b\', \'c\', \'d\']
分组
除了简单地判断是否匹配之外，正则表达式还有提取子串的强大功能。用()表示的就是要提取的分组（Group）。比如：
^(\d{3})-(\d{3,8})$分别定义了两个组，可以直接从匹配的字符串中提取出区号和本地号码：
>>> m = re.match(r\'^(\d{3})-(\d{3,8})$\', \'010-12345\') >>> m <_sre.SRE_Match object; span=(0, 9), match=\'010-12345\'> >>> m.group(0) \'010-12345\' >>> m.group(1) \'010\' >>> m.group(2) \'12345\'
如果正则表达式中定义了组，就可以在Match对象上用group()方法提取出子串来。
注意到group(0)永远是原始字符串，group(1)、group(2)……表示第1、2、……个子串。
例如我们可以使用分组来判别时间字符串是否合法：
>>> t = \'19:05:30\' >>> m = re.match(r\'^(0[0-9]|1[0-9]|2[0-3]|[0-9])\:(0[0-9]|1[0-9]|2[0-9]|3[0-9]|4[0-9]|5[0-9]|[0-9])\:(0[0-9]|1[0-9]|2[0-9]|3[0-9]|4[0-9]|5[0-9]|[0-9])$\', t) >>> m.groups() (\'19\', \'05\', \'30\')
(?P<name>group) 的使用
例如(?P<value>\d+)的意思就是命名一个名字为value的组，匹配规则符合后面的/d+
这个正则方法经常用于函数参数的传递，例如网页的http://127.0.0.1:8000/blog/article/1 的匹配传递页面编号到服务器后端，然后由后端根据传入数据返回响应网页界面
贪婪匹配
需要特别指出的是，正则匹配默认是贪婪匹配，也就是匹配尽可能多的字符。举例如下，匹配出数字后面的0：
>>> re.match(r\'^(\d+)(0*)$\', \'102300\').groups() (\'102300\', \'\')
由于\d+采用贪婪匹配，直接把后面的0全部匹配了，结果0*只能匹配空字符串了。
必须让\d+采用非贪婪匹配（也就是尽可能少匹配），才能把后面的0匹配出来，加个?就可以让\d+采用非贪婪匹配：
>>> re.match(r\'^(\d+?)(0*)$\', \'102300\').groups() (\'1023\', \'00\')
正则的编辑
当我们在Python中使用正则表达式时，re模块内部会干两件事情：
-
编译正则表达式，如果正则表达式的字符串本身不合法，会报错；
-
用编译后的正则表达式去匹配字符串。
如果一个正则表达式要重复使用几千次，出于效率的考虑，我们可以预编译该正则表达式，接下来重复使用时就不需要编译这个步骤了，直接匹配：
>>> import re # 编译: >>> re_telephone = re.compile(r\'^(\d{3})-(\d{3,8})$\') # 使用： >>> re_telephone.match(\'010-12345\').groups() (\'010\', \'12345\') >>> re_telephone.match(\'010-8086\').groups() (\'010\', \'8086\')
编译后生成Regular Expression对象，由于该对象自己包含了正则表达式，所以调用对应的方法时不用给出正则字符串。